今天翻看了关于时间复杂度、空间复杂度的文章和视频,对其认知加深了些,之后也要养成分析复杂度的习惯,顺手添加,大家如果看到我写错的还望予以纠正。
同时,今儿还遇到句值得反思的话:“珍惜你所遇见的每一道题”。目前刷题 41 天,LeetCode 上题目刷了 80 道。但如果让我重新再做,应该有不少题目还是搞不定,甚至会出现之前做出来、现在看却没思路的情况。此外,之前有些简单题目是利用 Python 取巧通关,绕开了题目本身关联的算法设计,使得做题纯粹变成了做任务,白白浪费练习算法、加深理解的机会。
所以,认真对待遇到的每一个题目,整理、理解、吃透它,这样自己花费在其中的时间才会发挥最大价值。
回归到题目,今儿仍是动态规划的题目,题目确实简单级别——这道题之前我通过分情况考虑,设计了一套复杂解法,与接下来要整理的动态规划可谓鲜明对比。
题目
「第 53 题:最大子序和」
给定一个整数数组 nums ,找到一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。
示例:
输入: [-2,1,-3,4,-1,2,1,-5,4],
输出: 6
解释: 连续子数组 [4,-1,2,1] 的和最大,为 6。
题目分析
先说下我之前的复杂思路:因为数组中可能有正有负,先将连续正、或连续负的数合并,这样列表如果全正、最大和为数组和;如果列表全负、最大和为最大的单项值;如果有正有负、合并后就会正负相间,通过比较相邻正负相加后的结果来判断是否计入最大和中。
听着很绕,实施起来也不简单,费白天功夫、通过各种特例补全了整个代码思路。接下来我们对比看下动态规划的设计。
首先要设计状态,dp [ i ] 我们定义为以数组 nums [ i ] 结尾的连续子数组的最大和——可能我们会有疑问,这个状态怎么找的?注意,动态规划最关键的就是找准状态和状态转移方程,如何找准这个要么凭理论分析、要么就是多做题积累经验。这也是我们翻看很多讲解、分析老是说动态规划不难、很简单的原因:因为人家的积累和经验在那摆着,见怪不怪了,对于刚接触这类题型的我们就好奇宝宝似的满脑袋问号。如果还记得昨天做过的背包问题,也是定义了类似在 i 位置的背包最大价值,这里定义要以 i 位置结尾的子数组,就是为了可以和 dp [ i-1 ] 建立直接联系。
有了上面的状态定义,找状态转移方程就会轻松些,在计算 dp[ i ] 时,我们可以拿到的有以 nums[i-1] 项结尾的子数组的最大和 dp[i-1] 和 nums[ i ]。根据状态定义,以 nums[i] 结尾的子数组,那么计算和一定有 nums[i] 参与,再看之前的项,倘若 dp[i-1] 为负,那么最大和就不必添加这部分;但如果其为正,则将其加入进来即可。完毕~
是的,这就完事了,上代码。
代码实现
class Solution:
def maxSubArray(self, nums: List[int]) -> int:
n = len(nums)
# 对单项数组单独处理
if n==1:
return nums[0]
# dp[i] 为以 nums[i] 结尾的连续子数组最大和
dp = [0]*n
# 初始化 dp 数组为 n 个 0 的列表
dp[0] = nums[0]
# 遍历每一位
for i in range(1,n):
# dp[i-1]即以 nums[i-1] 结尾的子数组最大和
# 如果 dp[i-1] 非正,则不加
if dp[i-1]<=0:
dp[i] = nums[i]
# 如果正,则加起来
else:
dp[i] = dp[i-1]+nums[i]
# 返回 dp 记录列表的最大值
return max(dp)
因为我们通过对 n 位数组的一次遍历建立了所谓的状态列表,最后执行了次求最大值运输,整体时间复杂度与 n 成线性关系,即 O(n) 时间复杂度;在整个过程中,额外建立了 dp 这个长度为 n 的数组或列表,空间复杂度也为 O(n)。
提交测试表现:
执行用时 : 44 ms, 在所有 Python3 提交中击败了 89.29% 的用户
内存消耗 : 14.8 MB, 在所有 Python3 提交中击败了 6.35% 的用户
后记
这道题的复杂解法是几天前费大工夫写的,当时题目通过了就没理了;今天按动态规划标签翻到这道简单题目,对当时的解法半天才反应过来,又花费好长时间想动态规划的解法却一直没能找到准确的状态。当看到题解里对此状态的定义时,豁然开朗。
是的,虽然我记录了整篇,但下次遇到时,却又不能保证一定记得,真是可惜。所以,珍惜这些遇到过的题目,时不时翻看怀念它们一下吧。在接下来刷题的道路上,我也要更看重质量和算法设计,忽略浮于表面的题目难度、数量、速度这些概念了。
本来写题记的,结果啰嗦一大堆,哈哈~